BAB I

PENDAHULUAN
A. Latar Belakang
Matematika merupakan salah satu ilmu yang sangat berperan penting dalam
perkembangan ilmu pengetahuan. Matematika sebagai dasar ilmu pengetahuan yang
telah berkembang pesat baik konsep, teori maupun aplikasinya. Sampai saat ini
matematika telah banyak melahirkan cabang ilmu pengetahuan dan banyak digunakan
untuk menyelesaikan masalah dalam kehidupan sehari-hari.
Statistika merupakan salah satu cabang dari ilmu matematika yang telah banyak
digunakan untuk meyelesaiakan masalah yang ada dalam kehidupan kita seperti masalah
dalam dunia penelitian dan riset. Statistika adalah pengetahuan yang berhubungan
dengan cara-cara pengunpulan data, pengelolahan atau tentang penganalisisan data
hingga penarikan kesimpulan.
Dalam statistika terdapat kajian mengenai variabel acak dan distribusi teoritisnya.
Ada berbaagai macam distribusi yang termasuk sebagai distribusi variabel acak diskrit
diantaranya bernouli, distribusi hipergeometrik dan lain sebgaianya.
Dalam kehidupan sehari-hari kita sering menjumpai kejadian yang sebenarnya
dapat diselesaiakan dengan meenggunkan probabilitas. Dngan menggunakan distribusi
hipergeometrik kita dapat menyelesaiakan permasalahan tersebut. Kita dapat mencari
probabilitas dari terpilihnya barang yang rusak, sehingga apabila probabilitasnya tinggi
kita dapat mengetahui bahwa kemungkinan besar kita akan membeli barang yang rusak.

B. Rumusan Masalah
1. Bagaimana mempermudah penyelesaian probabilitas sebuah peluang kejadian
peubah acak masalah khusus distribusi hipergeometrik?
2. Bagaimana cara mempermudah penjelasan apabila sebuah kejadian memiliki satu
atau lebih sampel dalam pemecahan masalah khusus distribusi hipergeometrik?

C. Tujuan Penulisan
1. Untuk menunjukkan pemecahan masalah khusus dalam peubah acak distribusi
hipergeometrik.
2. Untuk menunjukkan penurunan rumus dalam hal khuss distribusi hipergeometrik
apabila memilih sebanyak satu sampel atau lebih.

1
 BAB II
KAJIAN TEORI
Distribusi Hypergeometrik muncul ketika pengambilan sampel dilakukan dari
populasi yang terbatas tanpa penggantian sehingga membuat uji coba saling bergantung.
Namun, ketika Distribusi Hypergeometrik diperkenalkan, sering ada perbandingan yang
dibuat dengan Distribusi Binomial. Lebih khusus lagi, dikatakan bahwa jika n relatif kecil
terhadap ukuran populasi, N, maka (dengan asumsi semua kondisi lain terpenuhi) Y dapat
diperkirakan dengan Distribusi Binomial. Kasus ini dibuat karena fakta bahwa tidak
mengganti item memiliki efek yang dapat diabaikan pada kondisi p. Namun, ketika ini tidak
terjadi, kondisi independensi tidak lagi terpenuhi dan Distribusi Binomial tidak akan lagi
melakukan pekerjaan yang efisien pada perkiraan karena tidak mengganti item akan
berdampak pada p bersyarat. Akibatnya, Distribusi Hypergeometric harus digunakan sebagai
gantinya. Jadi, ketika seseorang membandingkan Hypergeometrik dengan kondisi Binomial,
orang akan melihat bahwa kondisi 1, 2, 3, dan 5 masih berlaku sedangkan kondisi 4
(diberikan dalam Bagian 2.1), independensi, tidak lagi berlaku. Ketika Distribusi
Hypergeometrik menarik, PMF berikut dapat digunakan:

Di mana r mewakili jumlah item "berhasil" dari total N item. Selain itu, nilai dan varian yang
diharapkan dapat dimanfaatkan:

Membandingkan PMF dari Distribusi Binomial dengan Distribusi Hypergeometrik, satu

dapat melihat bahwa mereka berbeda karena aspek “dengan penggantian” dari Distribusi
Binomial dibandingkan dengan aspek "tanpa penggantian" dari Distribusi Hypergeometric.
Sebagai tambahan, dukungan y terlihat sangat berbeda antara keduanya. Ini lagi karena
"dengan penggantian" vs. aspek “tanpa penggantian” antara kedua distribusi. Misalnya saat
menggambar kartu dari dek 52 kartu standar, misalkan kita tertarik pada Y , klub yang ditarik
dari n.

2
Ketika seseorang membandingkan nilai yang diharapkan dan varians dari dua distribusi,
mereka tampaknya sangat berbeda. Namun, ini tidak benar-benar terjadi. Jika seseorang
melihat bahwa r / N (dari Distribusi Hypergeometrik) mirip dengan p (dari Distribusi
Binomial), nilai yang diharapkan adalah sama dan varians hanya berbeda dengan faktor (N-n)
/ (N-1), di mana varians identik dalam n = 1; varians dari Hypergeometric lebih kecil untuk
n> 1. Ini berhubungan kembali dengan gagasan bahwa Distribusi Hypergeometrik digunakan
ketika ukuran sampel, n, adalah tidak lagi kecil dalam kaitannya dengan ukuran populasi, N.
Namun, ketika n kecil dalam kaitannya dengan N, faktor ini dapat diabaikan (dan dengan
demikian Distribusi Binomial mungkin sesuai sebagai perkiraan).

Distribusi Hypergeometric Gaussi Versi terpisah dari sistem Pearson diberikan oleh

di mana fr = Pr [X = r] adalah fungsi massa probabilitas dan L dan G diberi fungsi. Jika kita
mempertimbangkan polinomial kuadrat L dan G yang diberikan oleh

di mana α, β, γ dan λ adalah bilangan real yang menyediakan a probabilitas fungsi massa
(PMF), maka solusi dari Eq. (2) adalah:

di mana f 1 F (;) o = 2 1 α β γ λ - dan probabilitasnya menghasilkan fungsi (pgf) adalah

Distribusi yang dihasilkan dengan cara ini dinamai Distribusi hypergeometrik

Gaussian (GHD). Di dalam merasakan satu-satunya hasil umum yang diketahui adalah Gauss
teorema penjumlahan, ketika λ = 1.

3
 Untuk distribusi triparametrik, GHD (α, β, γ, 1) melalui momen pertama. Keluarga
ini termasuk beberapa yang terkenal distribusi, seperti Hypergeometric, Hypergeometrik
negatif atau terbalik, Beta-Pascal, Pólya, Beta-Binomial, Waring, Generalized Waring, Yule,
dll. Kasus umum 0 <λ≤1 berada di bawah pertimbangan.
(Wroughton, Cole. 2013)

TEORI KARAKTERISASI
Teorema 1: Variabel acak diskrit non-negatif X didefinisikan atas domain yang diberikan,
milik GHD (α, β, γ, 1) dengan probabilitas fungsi massa (PMF),

Jika dan hanya jika

di mana f 1 F (,;; 1) o = 2 1 α β γ -, μ1 ′ menunjukkan momen pertama sekitar nol, α, β, γ

adalah bilangan real yang menyediakan PMF.
Bukti:
Misalkan berlaku, maka kita miliki

4
Karenanya, kita bisa mendapatkan set yang setara dari persamaan (untuk hasil yang serupa
lihat juga [13, 14, 15]):

Eq. (6) adalah versi diskrit dari sistem Pearson (2) dan solusinya memberikan fr.
Kebalikannya mudah.
(Anwar, Ahmad. 2010)

Sistem Antrian Model Geo/G/1. Pada sistem antrian modelGeo/G/1, kedatangan

pelanggan di asumsikan terjadi pada waktu diskret yaitu pad asaat t = 0; 1; 2; ... dikarenakan
kedatangan pelanggan terjadi sebelum adanya pelayanan. Waktu antar kedatangan (T)
merupakan variabel random yang bersifat independen dan terdistribusi secara identik
mengikuti distribusi Geometrik dengan parameter p memiliki fungsi peluang (pmf) aj .
Selanjutnya,banyaknya kedatangan terjadi pada interval [0; n], dinotasikan dengan Cn,
mengikuti distribusi Binomial dengan parameter (n;p) dengan pmf .Serta,waktu pelayanan(S)
merupakan variabel random yang bersifat independen danidentikmengikutidistribusi
umum,dengan pmf. Dengan demikian, espektasi dan fungsi pembangkit (pgf) dari waktu
pelayananadalah

Misalkan A adalah jumlah pelanggan yang datang selama waktu pelayanan, maka
probabilitas dari A yaitu

Dengan A(z) merupakan bentuk pgf dari Persamaan 1 atau peluang dari jumlah pelanggan
yang datang selama waktu pelayanan,yaitu

Selanjutnya, ekspektasi jumlah kedatangan pelanggan selama waktu pelayanan yaitu

5
Misalkan Ln adalah jumlah pelanggan dalam sistem pada saat pelanggan ke-n meninggalkan
sistem. Dengan demikian,

Karena fLn; n _ 1g adalah rantai Markov,makadapatdiperolehekspektasi untuk Ln+1, yaitu

Kemudian,denganmengansumsikanbahwa Ln stasioner, maka dari Persamaan 5 diperoleh

Berdasarkan Persamaan 4, diperoleh peluang dari jumlah pelanggan dalam sistem, yaitu

Peluang dari jumlah pelanggan dalam sistem sama dengan peluang dari jum- lah kedatangan
selama waktu pelayanan dan waktu tunggu pelanggan dalam antrian yaitu

Akibatnya, diperoleh

Selanjutnya, Persamaan 4 didefinisikan sebagai

6
Dari Persamaan 8, dapat diperoleh ekspektasi jumlah pelanggan dalam sistem, yaitu

Selanjutnya,untuk menentukan ekspektasi jumlah pelanggan dalam antrian (E(Q)) sama

dengan ekspektasi jumlah pelanggan dalam sistem dikurangi ekspektasi jumlah kedatangan
pelanggan selama waktu pelayanan, yaitu :

Ekspektasi waktu tunggu pelanggan dalam antrian (E(W)) dapat ditentukan dengan
perbandingan antara ekspektasi jumlah pelanggan dalam antrian dan parameter waktu antar
kedatangan,yaitu

(Supriyanto,dkk. 2018)

7
 BAB III
METODE PENELITIAN
A. Metode dan Alasan Menggunakan Metode

Pada penelitian ini digunakan metodologi dengan pendekatan kualitatif, yang mempunyai
karakteristik alami (natural setting) sebagai sumber data langsung, deskriptif, proses lebih
dipentingkan daripada hasil, analisis dalam penelitian kualitatif cenderung dilakukan secara
analisa induktif serta makna merupakan hal yang esensial.

Di dalam penelitian kualitatif analisis yang digunakan lebih bersifat deskriptif-analitik yang
berarti interpretasi terhadap isi, dibuat dan disusun secara sistemik atau menyeluruh dan
sistematis. Alasan peneliti menggunakan pendekatan ini karena data yang bersifat holistik,
kompleks, dinamis dan penuh makna. Sehingga, kurang tepat data pada situasi sosial tersebut
diperoleh dengan pendekatan kuantitatif.

B. Kehadiran Peneliti

Kehadiran peneliti dalam penelitian kualitatif yaitu peneliti sebagai instrumen penelitian.
Dalam Margono (2004: 51), dijelaskan peneliti kualitataif berusaha berinteraksi dengan
subjek penelitiannya secara alamiah dan dengan cara tidak memaksa. Di dalam penelitian ini,
peneliti sebagai instrumen penelitian berusaha mencari informasi dari jurnal-jurnal yang
dijadikan data dalam penelitian yang sedang dilakukan. Peneliti sadar bahwa tujuan utama
adalah mencari informasi bukan menilai suatu situasi. Sehingga, analisis datanya pun berupa
deskripsi tentang data yang diperoleh.

C. Teknik Pengumpulan Data

Teknik pengumpulan data dalam penelitian ini adalah dokumentasi. Dokumentasi dilakukan
dengan cara menyelidiki data yang didapat dari dokumen, catatan, file dan hal-hal lain yang
sudah didokumentasikan.

8
D. Teknik Analisis Data

Kegiatan dalam analisis data dalam penelitaian ini, yakni: pertama, kegiatan reduksi data
(data reduction), pada tahap ini peneliti memilih hal-hal yang pokok dari data yang di dapat
dari lapangan, merangkum, memfokuskan pada hal-hal yang penting dan dicari tema dan
polanya. Proses reduksi ini dilakukan secara bertahap, selama dan setelah pengumpulan data
sampai laporan hasil. Penulis memilah-milah data yang penting yang berkaitan dengan fokus
penelitan dan membuat kerangka penyajiannya. Kedua, penyajian data (data display), setelah
mereduksi data, maka langkah selanjunya adalah mendisplay data. Di dalam kegiatan ini,
penulis menyusun kembali data berdasarkan klasifikasi dan masing-masing topik kemudian
dipisahkan, kemduian topik yang sama disimpan dalam satu tempat, masing-masing tempat
dan diberi tanda, hal ini untuk memudahkan dalam penggunaan data agar tidak terjadi
kekeliruan. Ketiga, data yang dikelompokan pada kegiatan kedua kemduian diteliti kembali
dengan cermat, dilihat mana data yang telah lengkap dan data yang belum lengkap yang
masih memerlukan data tambahan, dan kegiatan ini dilakuakan pada saat kegiatan
berlangsung. Keempat, setelah data dianggap cukup dan telah sampai pada titik jenuh atau
telah memperoleh kesesuaian, maka kegiatan yang selanjutnya yaitu menyusun laporan
hingga pada akhir pembuatan simpulan.

Analisis data dalam penelitian kualitatif menggunakan metode induktif. Penelitain ini
tidak menguji hipotesis (akan tetapi hipotesis kerja hanya digunakan sebagai pedoman) tetapi
lebih merupakan penyusunan abstraksi berdasarkan data yang dikumpulkan. Analisis
dilakukan lebih intensif setelah semua data yang diperoleh di lapangan sudah memadai dan
dianggap cukup, untuk diolah dan disusun menjadi hasil penelitian sampai dengan tahap
akhir yakni kesimpulan penelitian.

9
 BAB IV
HASIL DAN PEMBAHASAN

Distribusi Hipergeometrik
Distribusi peluang peubah acak hipergeometrik X, yaitu banyaknya sukses dalam sampel
acak ukuran n yang diambil dari N benda yang mengandung k bernama sukses dan N – k
bernama gagal, ialah
𝑘 𝑁−𝑘
( )( )
ℎ(𝑥; 𝑁, 𝑛, 𝑘) = 𝑥 𝑛 − 𝑥 , 𝑥 = 0,1,2, … , 𝑛.
𝑁
( )
𝑛

Pandang hal khusus distribusi hipergeometrik, yaitu

1. 𝑥 = 1
Dalam hal khusus distribusi hipergeometrik, yaitu dalam suatu kejadian yang hanya
memilih sebanyak satu sampel sukses dari k sukses yang terkandung atau 𝑥 = 1. Maka
diperoleh distribusi hipergeometrik menyusut menjadi

(𝑘1)(𝑁−𝑘
𝑛−1
)
ℎ(1; 𝑁, 𝑛, 𝑘) =
(𝑁𝑛)

𝑘! (𝑁 − 𝑘)!
( )( )
1! (𝑘 − 1)! (𝑛 − 1)! (𝑁 − 𝑘 − 𝑛 + 1)!
=
𝑁!
( )
(𝑁 − 𝑛)! 𝑛!
𝑁−𝑘
𝑘 (𝑛 − 1)
=
(𝑁𝑛)

Sehingga dapat dinyatakan sebagai berikut.

𝑁−𝑘
𝑘 (𝑛 − 1)
ℎ(𝑁, 𝑛, 𝑘) =
(𝑁𝑛)

Contoh
Suatu kotak berisi 40 suku cadang dikatakan dapat diterima bila mengandung paling
banyak tiga yang cacat. Suatu kotak akan ditolak bila sampel acak ukuran 5 suku cadang
yang terpilih mengandung satu yang cacat. Berapakah peluang mendapatkan tepat satu
yang cacat dalam sampel bila kotak tersebut mengandung tiga suku cadang yang cacat?

10
 Penyelesaian
Diketahui 𝑛 = 5, 𝑁 = 40, 𝑘 = 3, dan 𝑥 = 1, peluang mendapatkan tepat satu yang cacat
3 . 37!
3(40−3) 3(37) 3 . 5. 35. 34
ℎ(40,5,3) = 5−1
= 40 = 4! 33! =
4
= 0,3011
(40) (5) 40! 40 . 39 . 38
5
5! 35!

2. 𝑥 = 𝑘
Dalam hal khusus distribusi hipergeometrik, yaitu dalam suatu kejadian yang memilih
sampel sukses x sebanyak k sukses yang terkandung atau 𝑥 = 𝑘. Maka diperoleh
distribusi hipergeometrik menyusut menjadi
Misalkan, 𝑥 = 𝑎 → 𝑘 = 𝑎
(𝑎𝑎)(𝑁−𝑎
𝑛−𝑎
)
ℎ(𝑎; 𝑁, 𝑛, 𝑎) =
(𝑁𝑛)
(𝑁 − 𝑎)!
1( )
(𝑛 − 𝑎)! (𝑁 − 𝑎 − (𝑛 − 𝑎))!
=
𝑁!
( )
(𝑁 − 𝑛)! 𝑛!
(𝑁 − 𝑎)!
(𝑛 − 𝑎)! (𝑁 − 𝑛)!
=
𝑁!
(𝑁 − 𝑛)! 𝑛!
(𝑁 − 𝑎)! (𝑁 − 𝑛)! 𝑛!
= ∙
(𝑛 − 𝑎)! (𝑁 − 𝑛)! 𝑁!
(𝑁 − 𝑎)! 𝑛!
= ∙
𝑁! (𝑛 − 𝑎)!

Sehingga dapat dinyatakan sebagai berikut.

(𝑁 − 𝑎)! 𝑛!
ℎ(𝑁, 𝑛, 𝑎) = ∙
𝑁! (𝑛 − 𝑎)!

Contoh
Suatu kotak berisi 40 suku cadang dikatakan dapat diterima bila mengandung paling
banyak tiga yang cacat. Suatu kotak akan ditolak bila sampel acak ukuran 5 suku cadang
yang terpilih mengandung satu yang cacat. Berapakah peluang mendapatkan tepat satu
yang cacat dalam sampel bila kotak tersebut mengandung tiga suku cadang yang cacat?

Penyelesaian
Diketahui 𝑛 = 5, 𝑁 = 40, 𝑘 = 3, dan 𝑥 = 3 maka 𝑎 = 3, peluang mendapatkan tepat
satu yang cacat
(40 − 3)! 5! 37! 5! 1 5∙4∙3
ℎ(40,5,3) = ∙ = ∙ = ∙ = 0,001
40! (5 − 3)! 40! 2! 40 ∙ 39 ∙ 38 1

11
3. Dalam hal khusus distribusi hipergeometrik, yaitu dalam suatu kejadian yang memilih
sampel sukses sebanyak 1 dari 1 sukses yang terkandung atau 𝑥 = 1 dan 𝑘 = 1. Maka
diperoleh distribusi hipergeometrik menyusut menjadi
(11)(𝑁−1
𝑛−1
)
ℎ(1; 𝑁, 𝑛, 1) =
(𝑁𝑛)
(𝑁 − 1)!
( )
(𝑛 − 1)! (𝑁 − 1 − (𝑛 − 1))!
=
𝑁!
( )
(𝑁 − 𝑛)! 𝑛!
(𝑁 − 1)! 𝑛! (𝑁 − 𝑛)!
= ∙
(𝑛 − 1)! (𝑁 − 𝑛)! 𝑁!
(𝑁 − 1)! 𝑛!
= ∙
𝑁! (𝑛 − 1)!
1 𝑛
= ∙
𝑁 1
𝑛
=
𝑁

Sehingga dapat dinyatakan sebagai berikut.

𝑛
ℎ(𝑁, 𝑛) =
𝑁

Contoh
Suatu kotak berisi 40 suku cadang dikatakan dapat diterima bila mengandung paling
banyak satu yang cacat. Suatu kotak akan ditolak bila sampel acak ukuran 5 suku cadang
yang terpilih mengandung satu yang cacat. Berapakah peluang mendapatkan tepat satu
yang cacat dalam sampel bila kotak tersebut mengandung satu suku cadang yang cacat?

Penyelesaian
Diketahui 𝑛 = 5, 𝑁 = 40, 𝑘 = 1, dan 𝑥 = 1, peluang mendapatkan tepat satu yang cacat
5
ℎ(1; 40,5,1) = = 0,125
40

12
 BAB V
PENUTUP
A. Kesimpulan
Dalam hal khusus distribusi hipergeometrik, yaitu dalam suatu kejadian yang hanya
memilih sebanyak satu sampel sukses dari k sukses yang terkandung atau 𝑥 = 1, maka
distribusi hipergeometri menjadi:
𝑁−𝑘
𝑘 (𝑛 − 1)
ℎ(𝑁, 𝑛, 𝑘) =
(𝑁𝑛)

Dalam hal khusus distribusi hipergeometrik, yaitu dalam suatu kejadian yang memilih sampel
sukses x sebanyak k sukses yang terkandung atau 𝑥 = 𝑘, maka distribusi hipergeometri
menjadi:
(𝑁 − 𝑎)! 𝑛!
ℎ(𝑁, 𝑛, 𝑎) = ∙
𝑁! (𝑛 − 𝑎)!
Dalam hal khusus distribusi hipergeometrik, yaitu dalam suatu kejadian yang memilih sampel
sukses sebanyak 1 dari 1 sukses yang terkandung atau 𝑥 = 1 dan 𝑘 = 1, maka distribusi
hipergeometri menjadi:
𝑛
ℎ(𝑁, 𝑛) =
𝑁
B. Saran
Berdasarkan analisis yang telah dilakukan penulis dalam menyusun Mini Research ini, maka
penulis menyarankan agar pembaca dapat melakukan pengembangan rumus yang berasal dari
rumus distribusi geometri yang dibuat oleh penulis. Sehingga pemecahan masalah yang
berhubungan dengan distribusi geometri dapat diselesaikan dengan cara yang lebih mudah
,cepat dan tepat.

13
 DAFTAR PUSTAKA

Anwar, Ahmad.2010. Characterization of Subfamily in Gaussian Hypergeometric

Distributions. World Applied Sciences Journal. Vol(11 ), No (11). Hal : 1446-1449

Supriyanto,dkk. 2018. Sistem Antrian model geo/G/1 Dengan Vacation.Jurnal UJMC. Jilid
(1), No (1). Hal : 47-54

Wroughton, Cole. 2013. Distinguishing Between Binomial, Hypergeometric and Negative

Binomial Distributions. Journal of Statistics Education, Vol (21), No (1). Hal : 1-16

14